Τα μοντέλα AI κρύβουν μέσα τους ένα ίχνος από το chip που τα ξεκίνησε. Αυτό υποστηρίζει ο Γουίλ Ντεπιού, πρώην ερευνητής της OpenAI, που λέει ότι με αυτό το ίχνος βρήκε πως έξι κινεζικά μοντέλα, από τον Απρίλιο του 2026 και μετά, ξεκίνησαν σε chips Blackwell της Nvidia. Οι αμερικανικοί περιορισμοί εξαγωγών απαγορεύουν την πώληση τέτοιων chips στην Κίνα.
Ο Ντεπιού δούλεψε στην OpenAI στα μοντέλα Sora και Sora 2, στο GPT-4o, στο o3 και στο GPT-5, και σήμερα έχει ιδρύσει τον μη κερδοσκοπικό ερευνητικό όμιλο Unemployment Labs. Όπως γράφει το The Decoder, Αμερικανοί αξιωματούχοι και μέσα ενημέρωσης υποψιάζονταν ήδη ότι η DeepSeek και η Moonshot AI χρησιμοποιούν Blackwell, αλλά δεν είχε δημοσιευτεί τεχνική απόδειξη. Ο Ντεπιού λέει στο X ότι ανώτεροι ερευνητές της OpenAI και της Anthropic έλεγξαν ανεξάρτητα τα ευρήματά του και τα επιβεβαίωσαν.
Ο τυχαίος αριθμός που μένει μέσα στο μοντέλο
Ένα μοντέλο AI αποτελείται από δισεκατομμύρια αριθμούς, τα «βάρη». Πριν αρχίσει η εκπαίδευση, το PyTorch, το βασικό λογισμικό του χώρου, τα γεμίζει με τυχαίες τιμές. Για να γίνει γρήγορα, η κάρτα γραφικών (GPU) μοιράζει τη δουλειά στους πυρήνες της, και ο αριθμός τους αφήνει χαρακτηριστικό μοτίβο στις τιμές.
Τα παλαιότερα chips Hopper (H100, H800) έχουν 132 πυρήνες. Τα Blackwell έχουν 148 ή 152, ανάλογα με το μοντέλο. Η εκπαίδευση αλλάζει τους αριθμούς εκατομμύρια φορές, αλλά κάποιες θέσεις, για λέξεις ή σύμβολα που σχεδόν δεν χρησιμοποιούνται, μένουν με την αρχική τιμή. Ακόμη και στα πολυεκπαιδευμένα τμήματα επιβιώνει, κατά τον Ντεπιού, μια αδύναμη στατιστική απόδηχηση της αρχικής κατανομής.
Ο ίδιος λέει ότι δούλεψε τη διαδικασία αντίστροφα και αναπαρήγαγε με ακρίβεια τα αποτελέσματα για τα DeepSeek-V4-Flash και Kimi K3 σε πραγματικά chips Blackwell. Ο κώδικας επαλήθευσης είναι δημόσιος στο GitHub. Η μέθοδος αναγνώρισε σωστά και τα 24 μοντέλα ελέγχου με γνωστό υλικό, μεταξύ τους το Llama 3.1 της Meta, εκπαιδευμένο σε H100. Το τυχαίο αποτέλεσμα αποκλείεται στατιστικά, λέει.
Ποιο μοντέλο δείχνει ποιο chip
Σύμφωνα με την ανάλυση, τα DeepSeek-V4-Flash και MiniMax-M3 αντιστοιχούν σε B200 ή B300 (148 πυρήνες). Τα DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro και το Ling-3.1-flash της Ant Group δείχνουν το μοτίβο των 152 πυρήνων, των ναυαρχίδων GB200 ή GB300 με υγρή ψύξη. Παλαιότερα μοντέλα, όπως το DeepSeek-V3 και το Kimi K2.5, φέρουν ίχνη Hopper.
Για τις πέντε εκπαιδεύσεις που εξέτασε, ο Ντεπιού εκτιμά ότι χρειάστηκαν συνολικά περίπου 12.000 GPU Blackwell, όση ισχύς δίνουν περίπου 30.000 παλαιότερα H100. Μόνο το Kimi K3 θα χρειάστηκε εκτιμώμενους 4.500 επεξεργαστές Blackwell για περίπου 70 ημέρες, και το DeepSeek-V4-Pro περίπου 3.000. Με τιμή περίπου 70.000 δολάρια ανά μονάδα, κάθε τέτοιο σύμπλεγμα κοστίζει 200 έως 300 εκατ. δολάρια, και τα πέντε μαζί πάνω από μισό δισ.
Τα ευρήματα συμφωνούν με όσα είπε ο Ντίλαν Πάτελ της SemiAnalysis στη Sequoia Capital: η αρχιτεκτονική του DeepSeek-V3 ήταν φτιαγμένη για Hopper, ενώ του DeepSeek-V4 για Blackwell και για chips Ascend της Huawei. Άλλα κινεζικά μοντέλα, όπως το Qwen3.8 της Alibaba και αυτά των Zhipu, Tencent, Xiaomi και StepFun, δείχνουν ακόμη μόνο Hopper, ενώ το LongCat-2.0 της Meituan παραπέμπει σε υλικό Huawei.
Τι δεν αποδεικνύει το αποτύπωμα
Η μέθοδος δείχνει αυστηρά μόνο ποιο υλικό αρχικοποίησε τα βάρη, αν και η ίδια η εκπαίδευση πιθανότατα έτρεξε στα ίδια συστήματα. Η μόνη άλλη τεχνική εξήγηση θα ήταν ένα επίσης περιορισμένο AMD MI300X, τεχνητά επιβραδυνμένο ώστε να δίνει το ίδιο μοτίβο. Ο Ντεπιού λέει ότι το απέκλεισε για το DeepSeek-V4-Flash, από μικροσκοπικές διαφορές στρογγυλοποίησης.
Τα δεδομένα δεν δείχνουν πού βρίσκονται τα chips ούτε σε ποιον ανήκουν. Επειδή οι κινεζικές εταιρείες μπορούν να νοικιάσουν υπολογιστική ισχύ σε data centers εκτός Κίνας, η ανάλυση αποδεικνύει πρόσβαση σε κορυφαίο υλικό της Nvidia, όχι από μόνη της φυσικό λαθρεμπόριο ή παραβίαση του αμερικανικού νόμου. Για το πού ελέγχεται η τοποθεσία των chips, δείτε και το ρεπορτάζ για όσα είπε ιδιωτικά η Nvidia.
Πηγή: The Decoder



